昨天中午在一个小餐馆吃饭，发现老板的儿子和女儿一人一个手机玩的high，爸妈在后厨忙的不亦乐乎。从我进来到离开， 老板的儿子和女儿，眼睛都没离开手机， 姿势换了几个， 低着头， 弓着腰。看着他们入迷的样子， 内心是泛起波澜的。

这张配图来自互联网

疫情期间，儿子上课需要用手机， 聊天工具，娱乐视频，手机游戏，这些都会接触到， 这个年龄的孩子， 对这些很快能上手。孩子其实在这个过程中承受着很大的挑战，能够在手机游戏，娱乐视频“自我节制”，“管理好时间”， 其实很难。到底多难，从我们自己在刷抖音，刷头条，入迷的看某个电视剧，被生硬拽出来的时候有多难，就知道（除非你超级自律，而且以此为傲，灵活驾驭），况且这个阶段的孩子发育还不成熟， 自制力还不强。

这个期间 家长会跟孩子斗智斗勇，时刻盯着孩子玩手机（娱乐app），生怕一不小心孩子搂不住。个中痛苦，经历的人都懂。从长远看，我很难断定未来会怎样，毕竟从我们之前觉得玩游戏是浪费时间，到现在游戏也出现了专业玩家（还可能列为奥运项目）。但是从眼前来看，对孩子的身体和智力成长看不出来什么大的好处。社会就本就是在矛盾中前行，也不必过于焦虑。

尝试了解这些互联网产品背后的逻辑， 也许对我们看待相关事情有一定的帮助。

这张配图来自互联网

有些Kill time的互联网产品包裹上Save time的糖衣：

Kill time：打发时间，消磨时间；Save time：提高效率，省时方便。

仔细想来，我们很多产品，其实本质是在做Save time的事情，譬如汽车，家用电器、机器人 、农机、大型装备等等都属于这个范畴。Save time产品的主要特征是偏工具属性/投入产出比较高或者产出反馈直接/学习型。而Kill time产品的普遍特征，偏重娱乐性较强/投入产出比低或产出偏隐性。

这两种属性对于有的产品而言界限很模糊。抖音可能是大家公认的kill time产品，但对于有些人来说，他们可以从中学到很多自己所需要的知识，短视频的形式使得知识点更加密集更加高频的被用户获取，这么一看，提升效率的抖音算是Save time的产品？

普世的价值观，我们一直接受的是Save time是好的，应该鼓励的， Kill time是不好的，应该被限制的。但我们也不要去否认，Kill time是有需求的，而且是作为一个自然人，其更符合本性的需求，不能假装看不见。从我个人的角度， 我的确更认同普世的价值观，认为这是更积极的人生态度。

从事实来看， Kill time的产品比之Save time产品具有更强的成瘾性，你可能会刷着抖音直到天明，但除非考试，你很难抱着百词斩学习单词直到第二天。这种成瘾性对于互联网公司是无法抗拒的，在这个“注意力经济”时代，成瘾性意味着更多的注意力，更长的使用时长，这就意味着更多的流量，可以安插更多的广告（就是更多钱），更全面的用户数据画像…，这个背后经济的驱动， 是符合经济学理性人假设的。这种成瘾性是普通用户难以抗拒的，著名的奶头乐效应大家应该都听说过，在奶头经济中，“奶嘴”的形式主要有两种：

• 一种是发泄性娱乐，热闹选战造势、无休止的口水战、暴力网络游戏；

• 另一种是满足性娱乐，报导无聊小事（可爱动物、明星丑闻）、廉价品牌横行（自产品牌或引进山寨手机、白牌服饰）、商品优惠活动（例如饰品、旅游签证）、视听娱乐大众化（偶像剧、动画、好莱坞）等。

诱人的奶嘴不仅仅让人心情放松，也提供了与他人聊天沟通的“社交货币”。

Kill time有它的问题， 我们却不能一概否定kill time存在的意义，人们的生活对于娱乐、游戏等需求并不可耻，相反非常值得提倡，很多时候这种需求的满足能提升人的创造力与学习工作效率，具有很强的正向促进作用。那些一听到是娱乐等行为就表现出厌恶、鄙弃态度的人，思维是错误的，是对于自我需求的绝对压抑，是不符合人性的，我们要知道这是合理的存在。

一切的讨论基于一个基准，即使用者应该对自己在做什么有清醒的认知，因此对于未成年人等认知能力尚未成熟的群体，“适当的”管控是必须的，“堵”绝对是错的，社会大势如此，你怎么堵？“疏”- 正确的引导才是正道】。

敲黑板： 【适当的管控】【不可堵，要正确引导】

用户虽然心底里更喜欢Kill time的场景，但是因为自我激励的要求与负罪感的约束，对于Kill time的场景实际上是又爱又恨的。既需要这种消磨时间的场景来让自己获取瞬时的快乐，又忧虑且深知这种快乐不可持久且毫无意义。有些产品抓住这一点，给Kill time内核的产品，套上一层Save time的糖衣，你会发现用下来， 除了消磨了时间， 啥也没学到！

作为普通的用户，我们需要做到的是不被save time的糖衣迷惑，打开背后经济利益驱动的套路，真正清楚自己所做所想的，时代在变，对于自我的认知依然要清晰。

AI的推荐算法，投你所好，是把双刃剑：

简要了解一下基本的推荐逻辑，有利于理解为什么会成瘾。推荐系统往往是多个推荐算法策略的组合使用， 本文从其中一个角度来尝试说明，经济学里面有一个概念叫做消费者偏好，类似的我们看一下相对成熟的算法：基于内容的推荐算法（Content-Based Recommendations CB）如何去理解用户或消费者。

从最简单的实现思路来看：

1. 抽取物品（可以是苹果、视频、文章）的一些特征。
   

2. 利用一个用户过去喜欢（及不喜欢）的物品的特征数据，来学习出此用户的喜好特征（profile）；这些特征可以用特征向量来表达，最简单可以使用向量的平均值。

3. 通过比较用户喜好特征(profile)与候选物品的特征，为此用户推荐一组相关相似性（相似度的衡量可以用余弦相似度Cosine来进行计算）最大的物品

简要看一下用户喜好特征学习：

通过用户U过去的这些喜好判断，为他产生一个模型。有了这个模型，我们就可以根据此模型来判断用户U是否会喜欢一个新的物品。所以，我们要解决的是一个典型的有监督分类问题，理论上机器学习里的分类算法都可以使用。本文主要目的不是为了介绍技术细节， 所以简单列示几个算法：

最近邻方法（简称KNN）

对于这个方法，比较关键的可能就是如何通过item的属性向量计算item之间的两两相似度。对于结构化数据，相似度计算使用欧几里得距离；而如果使用向量空间模型（VSM）来表示item的话，则相似度计算可以使用cosine。

Rocchio算法

Rocchio算法是信息检索中处理相关反馈（Relevance Feedback）的一个著名算法。比如你在搜索引擎里搜“苹果”，当你最开始搜这个词时，搜索引擎不知道你到底是要能吃的水果，还是要不能吃的苹果，所以它往往会尽量呈现给你各种结果。搜索引擎可以通过你刚才给的相关反馈，修改你的查询向量取值，重新计算网页得分，把跟你刚才点击的结果相似的结果排前面。

其中 wj 表示物品 j的属性，Ir与 Inr分别表示已知的用户U喜欢与不喜欢的物品集合；而 β 与 γ 为正负反馈的权重，它们的值由系统给定。

决策树算法（Decision Tree，简称DT)

当物品的属性较少而且是结构化属性时，决策树一般会是个好的选择。这种情况下决策树可以产生简单直观、容易让人理解的结果。而且我们可以把决策树的决策过程展示给用户U，告诉他为什么这些物品会被推荐。

线性分类算法（Linear Classifer，简称LC）

对于我们这里的二类问题，线性分类器（LC）尝试在高维空间找一个平面，使得这个平面尽量分开两类点。也就是说，一类点尽可能在平面的某一边，而另一类点尽可能在平面的另一边。就是用平面尽量分开喜欢的和不喜欢的。

素贝叶斯算法（Naive Bayes，简称NB)

NB算法就像它的简称一样，牛逼！NB经常被用来做文本分类，它假设在给定一篇文章的类别后，其中各个词出现的概率相互独立。它的假设虽然很不靠谱，但是它的结果往往惊人地好。再加上NB的代码实现比较简单，所以它往往是很多分类问题里最先被尝试的算法。我们现在的profile learning问题中包括两个类别：用户U喜欢的物品，以及他不喜欢的物品。在给定一个物品的类别后，其各个属性的取值概率互相独立。我们可以利用用户u的历史喜好数据训练NB，之后再用训练好的NB对给定的物品做分类。

随着数据的增加， 其实我们的喜欢的模型会越来越懂我们的偏好，而且不断的推荐你的喜欢，引诱更多的点击；然而有些需要努力学习获取的，对我们真正有益的，却不容易被推荐。如果我们懂了这些算法的原理， 想获取更有价值的信息， 我们应该善用这些工具，驾驭这些工具。

现在的学生，看到这儿就应该知道一定要好好学习数学，打好基础，这些背后的算法更有意思。

希望AI的从业者， 善用所学知识，研发更健康，更有益，符合普世价值观的产品。